基于双模态深度学习的钢轨表面缺陷检测方法

针对目前钢轨顶面擦伤检测系统缺少第三维关键深度信息，检测结果易受干扰误报率高的问题，提出了一种基于双模态结构光传感器的钢轨表面缺陷检测方法。通过构建轨道表面缺陷的多模态深度学习检测网络，可以检测双模态钢轨图像中的擦伤缺陷。提出的深度网络分别融合了双模态图像的多尺度特征，并进行多尺度钢轨顶面擦伤检测。实验结果表明，该方法在显著降低检测误报的同时能够保持较高的检出率。与当前缺陷检测中常见的深度学习检测模型对比，平均精度均值（mAP）有大幅提升，性能优于以往的检测算法，在钢轨顶面擦伤检测任务中的应用前景良好。     

基于光度立体和图像显著性的皮革缺陷检测

为了提高皮革缺陷检测效率，提出一种基于光度立体视觉和图像显著性的皮革缺陷检测算法。搭建光度立体视觉平台，完成不同角度的皮革样本采集，利用光度立体视觉技术计算皮革样本的合成图和表面法向量图；对表面法向量图进行曲率滤波操作，用近似表面粗糙度特征自适应选择合成图或滤波图；利用显著性目标检测算法完成皮革缺陷检测与定位。实验结果表明，与现有皮革缺陷检测方法相比，该算法能很好地检测不同材质皮革的多种缺陷，且准确率高，速度快。     

基于图像处理的带钢表面缺陷检测改进算法的研究

由于在带钢的生产过程中会出现多种表面缺陷,因此本文中研究了一种基于图像处理的带钢表面缺陷检测改进算法对表面缺陷进行有效检测。算法中对边缘检测、图像分块、连通域分析等过程进行了改进,并提出了一种针对带钢图像的图像二值化算法,相较于传统的缺陷检测算法,本文中的检测算法在保证处理速度的同时,可以使处理的图像细节更完整清晰,缺陷定位更准确,且总体的检测正确率在90%以上,为后续缺陷分类提供更加准确的数据支持,可有效解决带钢表面缺陷检测问题,对企业生产过程中的技术改善起到至关重要的作用。     

产品表面图像中的缺陷自动检测方法研究

仔细设计产品表面缺陷检测的图像识别算法是基于图像处理的产品表面缺陷自动检测系统快速并正确地检测缺陷的关键。以E型磁环表面缺陷的自动检测为例,分析了产品表面图像的特征,用梯度直方图自适应阈值分割的方法对图像进行增强和分割;并提出了一种新的快速识别算法对分割后的目标图像进行检测,实验结果表明了该算法的有效性和实用性。     

改进的精密机械加工零件表面缺陷检测算法

对加工表面纹理缺陷进行可靠的检测分析可以有效提高机械加工零件表面精加工的水平。基于计算机视觉技术对机械加工零件表面实现自动缺陷检测,由于机械加工零件表面纹理的特殊性,常用的灰度图像分割方法对机械加工零件表面缺陷的检测不适用;且其表面的缺陷信息无法预先得知,其图像分割是一个非监督纹理分割问题,对此提出了一种改进的模糊聚类缺陷检测算法,实现了对机械加工零件表面缺陷的自动化检测,实验结果证明了该算法的可行性。     

大尺寸钢球表面缺陷的检测

介绍了钢球表面缺陷的常见类型,设计了基于电容传感器的大尺寸钢球表面缺陷检测系统,并对钢球沿子午线展开时的测量结果进行了分析,通过数据分布的概率密度函数直观地展示了合格钢球与缺陷钢球的测量值分布特征。根据钢球的标准参数变化提出一种动态阈值缺陷检测算法,该算法采用整体结合局部的特征值,利用缺陷表面与正常表面的测值差异对表面缺陷进行检测,并以直径18.2562 mm的不锈钢钢球为例,对表面磨损情况进行了分析验证,有效分离了缺陷数据与正常数据。     

基于图像传感器的铁轨表面缺陷视觉检测算法

铁轨表面缺陷严重影响铁路系统的运行质量和安全,提出了基于图像传感器的铁轨表面缺陷视觉检测算法,并重点研究了图像增强和自动阈值分割.采用局部对比度测量法增强铁轨图像对比度,使缺陷区域明显突出于背景区域;采用改进的最大类间方差法分割铁轨增强图像,消除了更多的噪声且保持了必要的缺陷信息.实验结果表明:铁轨表面缺陷检测的准确率和检全率分别达到86.1％和91.9％.     

基于Canny算法的列车轴承表面缺陷边缘检测

为了对列车轴承表面缺陷进行准确的边缘检测,提出了一种数学形态学和Canny算法相结合的边缘检测算法。通过对形态学结构元素及基本运算的选取,确定了形态学3菱形闭运算作为前处理,结合Canny算法对列车轴承表面缺陷进行边缘检测。同传统的边缘检测算法及形态学边缘检测算法进行比较,实验结果表明,所提算法不仅加强了抑制噪声的能力,还准确地保留了图像的边缘特征。     

基于可视化激光超声金属板材缺陷的图像处理研究

为了实现对金属材料表面缺陷的检测，采用激光超声波可视化检测仪对铝板表面进行检测实验，但在激光超声可视化成像过程中，外界噪声等干扰导致了图像质量下降，造成了缺陷识别能力不足。根据激光超声图像的特点，采用经典滤波算法、图像增强算法对激光超声缺陷图像滤除杂波以及图像噪声，最后通过对比三种图像分割技术，发现利用改进的种子区域生长算法分割结果准确、快速。结果表明，通过图像处理方法可以改善激光超声可视化图像质量，使缺陷信息更突出。     

表面缺陷检测综述

基于机器视觉的表面缺陷检测技术已经广泛地应用在视觉检测各个领域中,它是确保自动化生产中产品质量的一个非常重要的环节。然而表面缺陷检测技术仍然面临着缺陷和非缺陷区域之间的低对比度,噪音和细微缺陷的相似性,检测速度慢和识别精度低等难题。为此,给出了近年来表面缺陷检测技术的最新进展。将表面检测技术分为3类：统计法、频谱法和模型法。对几种典型的表面缺陷检测技术进行了深入比较,包括特征提取、识别算法和算法性能,并分析了方法有效性的原因。最后,总结了表面缺陷检测技术面临的挑战和未来的发展趋势。     

基于主成分分析的表面缺陷自动检测算法

为检测产品表面的缺陷,提出一种基于主成分分析的自动检测算法。利用主成分分析法进行图像重构,以增强缺陷特征,对比原图像与重构图像,得到缺陷信息,通过统计过程控制二值化方法检测出缺陷。实验结果表明,该算法检测效果较好,运算速度较快,对于80张不同的表面图片,平均缺陷检测率达80%。     

基于图像配准的食品包装印刷缺陷检测与实现

传统食品包装印刷缺陷检测系统采集的实时图像和标准图像在空间上存在着较大的差异,在缺陷检测前首先要将实时图像与标准图像配准,再进行图像缺陷检测与识别。针对传统检测方法检测时间长、分拣效率低、漏检率高和对人视觉要求高等缺点,在图像增强处理的基础上,提出了一种适用于食品包装印刷缺陷检测的图像配准算法。该算法利用小波变换改进算法对图像边缘进行检测,有效地解决了噪声所产生的误检问题。实验仿真结果表明,该算法具有较高的稳定性和可靠性,能够精确检测出小于0.1 mm的刀丝和拉条等细微缺陷,实现了食品包装印刷品的无损检测。     

基于机器学习的刀具表面缺陷检测及分类方法

刀具在生产的过程中,由于人员、机器、环境等多方面原因,刀具的表面会出现各种缺陷,如划痕、碰撞凹坑、涂层剥落和边缘豁口;这些缺陷会严重影响刀具的质量和外观,对于刀具的缺陷检测,目前主要采用人工目检的方式,人工检测方法效率和准确率都比较低;为解决上述问题,提出一种刀具缺陷的自动化检测及分类算法;针对刀具图像的预处理,提出了一种基于双边滤波的降噪方法和基于差分的对比度增强算法;对于刀具的缺陷检测任务,提出了基于图像差分的缺陷检测算法;对于缺陷的分类任务,提出了一种基于SVM的分类算法,即通过提取缺陷区域的形状、纹理等特征来训练SVM分类器;最后对提出的缺陷检测及分类算法进行实验,结果表明算法的缺陷检出率达97.2%,分类准确率可达94.3%;算法能够很好地满足工业需求,可以替代人工实现刀具缺陷的自动化和高效率检测。     

基于深度学习的型钢表面多形态微小缺陷检测算法

为了解决由于型钢表面缺陷形态多样、微小缺陷众多所带来的检测效率低与检测精度差的问题,提出一种基于可变形卷积与多尺度-密集特征金字塔的型钢表面缺陷检测算法——Steel-YOLOv3。首先,使用可变形卷积代替Darknet53网络部分残差单元的卷积层,从而强化特征提取网络对型钢表面多类型缺陷的特征学习能力;其次,设计了多尺度-密集特征金字塔模块：在原有YOLOv3算法的3层预测尺度上增加1层更浅层的预测尺度,再对多尺度特征图进行跨层密集连接,从而增强对密集微小缺陷的表征能力;最后,针对型钢缺陷尺寸分布特点,使用K-means维度聚类方法优化先验框尺寸并将先验框平均分配到4个对应预测尺度上。实验结果表明：Steel-YOLOv3算法具有89.24%的检测平均精度均值（mAP）,与Faster R-CNN（Faster Region-based Convolutional Neural Network）、SSD（Single Shot MultiBox Detector）、YOLOv3和YOLOv5算法相比分别提高了3.51%、26.46%、12.63%和5.71%,且所提算法显著提升了微小剥落缺陷的检出率。另外,所提算法的每秒检测图像数量达到25.62张,满足实时检测的要求,可实际应用于型钢表面缺陷的在线检测。     

基于小波及自适应Canny的磁环表面缺陷检测算法

针对常规分割算法难以将磁环缺陷从纹理复杂的磁环表面提取出来,本文提出了一种基于小波变换及边缘检测的缺陷提取算法.基于小波变换对磁环纹理的弱化作用,对小波分解低频部分采用自适应Canny边缘检测算法分割出含缺陷的边缘;基于阈值分割的轮廓查找算法,提取出磁环内外轮廓并作一定的处理;对含缺陷边缘和处理后内外轮廓做形态学处理和逻辑运算提取出磁环所有缺陷;对缺陷排序并提取出磁环主缺陷轮廓,判断轮廓闭合情况并填充轮廓得到主缺陷区域.实验表明本文算法正检率达94.7%.     

基于WFSOA的2D-Otsu钢轨缺陷图像分割方法

针对二维最大类间方差阈值法(2D-Otsu)抗噪性较弱、计算时间较长的问题,文中提出了一种基于随机权重及异步价值因子取值的人群搜索算法,并将其应用于2D-Otsu中对钢轨缺陷图像进行分割。该算法采用随机权重加快收敛速度,采用异步价值因子提高搜索能力,有利于全局收敛到最优值。根据测试函数分析,WFSOA算法能够快速收敛,寻优值结果精度高,收敛时间短,算法稳定性好。在钢轨缺陷图像分割中,将2D-Otsu的迹函数作为WFSOA的目标函数,实验结果表明图像检测实时性高,对表面灰度不匀或生锈的钢轨缺陷分割结果清晰,有效降低了钢轨缺陷误检率和漏检率,在计算时间上仅占2D-Otsu算法的2%,可满足实际工程对实时性的需求。     

基于ButterWorth滤波和EM算法的电子布疵点检测

为了精确定位和分割电子布生产过程中产生的疵点,提出一种基于ButterWorth滤波和EM算法的电子布疵点检测方法。因电子布的背景纹理对疵点检测存在影响,首先采用ButterWorth滤波弱化图像背景纹理信息;再应用高斯混合模型对预处理后的图像进行表征,通过EM算法迭代模型的最优解,对像素进行标记;最后,根据标记结果分离背景与疵点区域,定位并分割疵点。实验结果表明,该方法既能准确定位疵点位置,又能有效保留疵点的细节信息,并且能够检测多种类型的疵点,在疵点检测方面具有一定的参考价值。     

印刷品疵点检测中一种基于轮廓的伪疵点剔除算法的研究

指出了伪疵点剔除不彻底对印刷品质量检测的不利影响,论述了传统算法中关于伪疵点剔除的具体方法,分析了这种算法的不足,明确了改进的方向。并在前述基础上提出了一种新的基于图像轮廓的印刷品疵点检测中伪疵点的剔除算法。该算法经模拟被证明是有效的,能满足在不影响真疵点特性的基础上剔除伪疵点的要求。     

基于轻量化重构网络的表面缺陷视觉检测

基于深度学习的方法在某些工业产品的表面缺陷识别和分类方面表现出优异的性能,然而大多数工业产品缺陷样本稀缺,而且特征差异大,导致这类需要大量缺陷样本训练的检测方法难以适用.提出一种基于重构网络的无监督缺陷检测算法,仅使用容易大量获得的无缺陷样本数据实现对异常缺陷的检测.提出的算法包括两个阶段:图像重构网络训练阶段和表面缺陷区域检测阶段.训练阶段通过一种轻量化结构的全卷积自编码器设计重构网络,仅使用少量正常样本进行训练,使得重构网络能够生成无缺陷重构图像,进一步提出一种结合结构性损失和L1损失的函数作为重构网络的损失函数,解决自编码器检测算法对不规则纹理表面缺陷检测效果较差的问题;缺陷检测阶段以重构图像与待测图像的残差作为缺陷的可能区域,通过常规图像操作即可实现缺陷的定位.对所提出的重构网络的无监督缺陷检测算法的网络结构、训练像素块大小、损失函数系数等影响因素进行了详细的实验分析,并在多个缺陷图像样本集上与其他同类算法做了对比,结果表明重构网络的无监督缺陷检测算法有较强的鲁棒性和准确性.由于重构网络的无监督缺陷检测算法的轻量化结构,检测1 024×1 024像素图像仅仅耗时2.82 ms,...